Diagnóstico e classificação de doenças cardíacas a partir de sinais de ECG usando Fuzzy-CNN híbrido otimizado por meta-heurísticas

Por que monitores cardíacos mais inteligentes importam

Doença cardíaca continua sendo a principal causa de morte no mundo, e pequenas mudanças no ritmo elétrico do coração frequentemente fornecem os primeiros sinais de alerta. Os médicos leem esses traços elétricos, chamados ECGs, para identificar batimentos irregulares perigosos, mas os sinais são ruidosos, complexos e contínuos. Este artigo explora uma nova forma de ensinar computadores a ler ECGs mais como cardiologistas especialistas, com o objetivo de detectar problemas de ritmo potencialmente fatais de maneira rápida e confiável.

Dos adesivos no peito aos batimentos digitais

Cada ECG começa com sensores simples colocados na pele para captar a atividade elétrica do coração. As linhas onduladas resultantes mostram como as câmaras superiores e inferiores se contraem e se recuperam a cada batida. Mudanças sutis na forma e no tempo dessas ondas podem sinalizar problemas muito diferentes: alguns relativamente inofensivos, outros associados a AVC ou morte súbita cardíaca. Ainda assim, os sinais de ECG são pequenos, facilmente afetados por movimento e ruído elétrico, e podem variar mesmo em pessoas saudáveis, o que torna a análise automática confiável um desafio.

Por que alguns batimentos irregulares são mais perigosos

Os pesquisadores focam em sete padrões comuns recomendados por um padrão internacional para estudos de ritmo cardíaco. Isso inclui batimentos normais, batimentos extras que se originam nas câmaras superiores, batimentos extras das câmaras inferiores, bloqueios na condução cardíaca, batimentos de fusão que misturam dois sinais e batimentos de difícil classificação. Batimentos extras das câmaras inferiores estão fortemente ligados a ritmos rápidos e caóticos que podem paralisar o coração, enquanto certos batimentos extras das câmaras superiores indicam risco aumentado de AVC no futuro. Identificar corretamente esses batimentos de risco entre muitos normais é crucial para que sistemas automatizados auxiliem médicos a tomar decisões em tempo hábil.

Transformando batimentos em imagens para os computadores verem

Em vez de alimentar linhas onduladas brutas diretamente em um programa, a equipe primeiro limpa os sinais de ECG para remover deriva lenta e zumbido elétrico. Em seguida, usam uma estratégia de busca inspirada no comportamento de manadas de cavalos selvagens para encontrar o trecho mais regular e repetitivo do batimento de cada pessoa. Com esse tempo ajustado, cada trecho curto de ECG é matematicamente enrolado em um laço e plotado como uma imagem bidimensional. Essas imagens preservam as formas-chave de cada batida enquanto suavizam ruído e variações aleatórias. Ao mesmo tempo, características clássicas de tempo, como a distância entre batimentos e a duração de intervalos importantes, são medidas, oferecendo uma segunda visão mais tradicional do ritmo cardíaco.

Um cérebro híbrido para reconhecimento de ritmos

Para ler esses sinais enriquecidos, os autores constroem um modelo computacional híbrido que mistura duas ideias. Primeiro, uma rede profunda de imagens examina as imagens de ECG em várias camadas, aprendendo a reconhecer padrões visuais sutis ligados a cada tipo de ritmo. Segundo, uma camada de lógica fuzzy, que opera com regras do tipo "se isto, então aquilo" mais flexíveis em vez de decisões rígidas de sim ou não, combina o que a rede de imagens aprendeu com as características temporais. Uma segunda estratégia de busca inspirada em animais, modelada no comportamento de caça da puma, ajusta finamente todos os pesos da rede e as configurações das regras fuzzy em conjunto, em vez de depender de métodos padrão de ajuste passo a passo que podem ficar presos em soluções ruins.

Desempenho do sistema

O modelo é treinado e testado em uma coleção pública de ECG bem conhecida que inclui batimentos rotulados por especialistas de 47 pessoas, e então verificado em um conjunto de dados de longo prazo separado para avaliar sua capacidade de generalização. No banco de dados principal, classifica corretamente quase todos os batimentos entre os sete grupos, com uma precisão geral de 99,71%. Especialmente importante, sua sensibilidade às classes mais perigosas — os batimentos extras das câmaras inferiores e das câmaras superiores — aumenta em comparação com métodos rivais recentes. Verificações estatísticas detalhadas mostram que os recursos usados para tomar decisões correspondem a marcadores médicos conhecidos, como mudanças no espaçamento entre batimentos e nos tempos de recuperação.

O que isso significa para pacientes e clínicos

Em termos simples, este trabalho demonstra que remodelar sinais de ECG em imagens e combiná-los com raciocínio baseado em regras pode ajudar computadores a distinguir ritmos cardíacos perigosos dos inofensivos com alta confiabilidade. Embora não substitua cardiologistas, tal sistema pode sustentar monitores de beira de leito mais inteligentes, dispositivos vestíveis ou ferramentas de telemedicina que sinalizem padrões preocupantes em tempo real, permitindo que especialistas humanos se concentrem nos casos mais urgentes.

Citação: Davani, M., Taghizadeh, M., Pirbonyeh, M.A. et al. Heart disease diagnosis and categorization from ECG signals using hybrid Fuzzy-CNN machine optimized by meta-heuristic algorithms. Sci Rep 16, 16001 (2026). https://doi.org/10.1038/s41598-026-43637-y

Palavras-chave: arritmia ECG, ritmo cardíaco, aprendizado profundo, lógica fuzzy, IA médica